Błąd średniokwadratowy
Wróćmy do prognoz NBA z 2017 roku. Co roku kilka drużyn NBA wygrywa znacznie więcej meczów, niż przewidywano. Jeśli użyjesz MAE, ta metryka dokładności nie odzwierciedla trafnie słabych prognoz tak dobrze, jak robi to MSE. Podniesienie do kwadratu dużych błędów wynikających ze złych prognoz sprawi, że dokładność modelu wypadnie gorzej – a to właśnie chcemy pokazać.
W tym ćwiczeniu kadra zarządzająca klubów NBA chce lepiej przewidywać liczbę zwycięstw drużyn. Użyjesz błędu średniokwadratowego do obliczenia błędu prognoz. Rzeczywiste wyniki są wczytane jako y_test, a prognozy jako predictions.
To ćwiczenie jest częścią kursu
Walidacja modeli w Pythonie
Instrukcje do ćwiczenia
- Oblicz MSE ręcznie. $$ MSE = \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i ) ^2 }{n} $$
- Oblicz MSE przy użyciu
sklearn.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.metrics import ____
n = ___(predictions)
# Finish the manual calculation of the MSE
mse_one = sum((y_test - predictions)____) / n
print('With a manual calculation, the error is {}'.format(mse_one))
# Use the scikit-learn function to calculate MSE
mse_two = ____
print('Using scikit-learn, the error is {}'.format(mse_two))